観測信号の分布に混合ガウス分布を、音声信号の振幅の事前分布に一般化ガンマ分布を用いたMMSE STSA 推定器による雑音低減

摘要

近年，スマートフォンやタブレット端末，カーナビゲーションシステムなどの普及により，音声認識の利用が広がっている．音声認識は，背景に雑音がほとんど無い場合には高い認識率が得られている．しかし実用的な環境では，雑音が混入してしまうために識率が著しく低下するという問題が残されている．雑音の混入に対処する方法を大別すると，認識システムを雑音に適応させる方法と，認識システムへの入力前に雑音を低減する方法がある．本研究では音声認識の前処理として音声信号中の雑音を低減することで，音声認識率の向上を目指す．本研究では，音声の振幅の事前分布に一般化ガンマ分布を仮定し，観測信号の分布に混合ガウス分布を仮定して音声信号の推定値を計算する推定器Parametric MMSE STSA GM を提案した．また観測信号の非音声区間からヒストグラムを作成し，混合ガウス分布とのL2 距離を最急降下法で最小化することで，観測信号の分布形状パラメータを推定する方法を提案した．そして提案法であるParametric MMSE STSA GM とMMSE STSA [1]，Parametric MMSE STSA [2] との性能比較実験を行った．実験では，実用で混入が想定される雑音 5 種類と白色ガウス雑音を用い，評価尺度として単語正解率を用いた．その結果，空港雑音や店雑音ではMMSE STSA およびParametric MMSE STSA と比べて単語正解率が向上した．レストラン雑音では，Parametric MMSE STSA よりも良くMMSE STSA と同等の単語正解率が得られた．白色雑音，バス雑音，オフィス雑音では，観測信号の分布形状パラメータの推定に失敗し，Parametric MMSE STSA よりも単語正解率が落ちたが，MMSE STSA と同等あるいはそれ以上の単語正解率であった．今後の課題としては，分布形状パラメータの推定精度の向上が挙げられる．また音声信号の振幅の推定値は雑音の分散や事前SNR によって決まるので，更なる性能向上を目指すには雑音推定や事前SNR 推定などの性能を総合的に向上させる必要があると考えられる．